转自AI Studio，原文链接：​​​​​​论文复现：WS-DAN细粒度分类问题经典之作 - 飞桨AI Studio

论文复现: See Better Before Looking Closer: Weakly Supervised Data Augmentation Network for Fine-Grained Visual Classification

一、简介

本篇论文标题名为See Better Before Looking Closer，这是一篇细粒度分类问题的经典论文，所谓细粒度，就是在一个大类下面对小类进行细分，如对鸟、狗的品种与车、飞机的型号进行分类。对于细粒度分类问题，一般的网络只能较为普通的中等性能，如(VGG、ResNet、Inception)，而论文《 See Better Before Looking Closer: Weakly Supervised Data Augmentation Network for Fine-Grained Visual Classification》提出一种基于弱监督的数据增强网络，即基于注意力图引导的数据增强策略，也就是不仅仅将原图送入网络训练，将增强后的图片也送入到网络训练，最后loss取平均，该部分思想的示意图如图一所示。上半部分为训练阶段的增强策略，分别为Attention Cropping（基于注意力裁剪）与Attention Dropping（基于注意力丢弃）；下半部分为测试验证阶段的增强策略，为基于注意力的裁剪，而后resize到原图尺寸大小送入网络进行预测。

图一：基于注意力机制的数据增强

值得注意的是，一般情况我们训练模型时使用的数据增强策略为随机丢弃（遮挡）、随即裁剪等，但是这种随机的方式目的性不强，且容易引入噪声，非常容易裁剪到背景（没有起到增强作用）、或者几乎把主体部分全部裁剪掉了(对于模型收敛有不利的影响)，而本文作者提出基于注意力图生成候选区域进行有指向性的裁剪、丢弃，可谓绝佳一笔，随机数据增强方法与基于注意力引导的数据增强方法对比图如图二所示。通俗来说，基于注意图的数据增强策略的思想如下：由于注意力图会注意到图片中主题的一些细节部位，如鸟的嘴部，而通过注意力增强，鸟的嘴部会被裁剪掉，这是便会引导模型更加注重鸟的腹部、羽毛颜色等等其他信息，以此完成数据增强，这也是这篇文章的精髓所在，精度自然显著提升，后文对比试验中将会给出。

图二：随机裁剪与基于注意力的方式

本文的模型结构骨干采用InceptionV3网络，利用其中的mix6e层作为特征图，进一步生成注意力图以进行数据增强，同时注意力图与特征图进行双线性池化（BAP）操作生成最终的特征矩阵，而后flatten送入全连接层进行分类，训练阶段的网络结构如图三所示，由于采取了基于注意力引导的数据增强，使得网络更加健壮，即呼应论文标题See Better，看得更好。

图三：训练阶段网络结构示意图

测试test阶段网络整体结构大体相似，只是较训练阶段少了一个随机丢弃的数据增强操作，很明显测试阶段我们希望输入网络的图片有更加多的信息，因此也就不需要丢弃，所以这一步送入网络的图片为原图和利用特征图进行目标定位后裁剪并Resize的图像，最终预测结果概率二者取平均，这一步也叫做精修（Refinement）环节，也呼应了论文标题中的See Closer，看的更近。

图四：测试阶段网络结构示意图

以上就是本篇论文的核心思想，本项目为基于PaddlePaddle2.2.2的复现

论文: See Better Before Looking Closer: Weakly Supervised Data Augmentation Network for Fine-Grained Visual Classification

参考repo: GitHub - wvinzh/WS_DAN_PyTorch: PyTorch Implementation Of WS-DAN(See Better Before Looking Closer: Weakly Supervised Data Augmentation Network for Fine-Grained Visual Classification)

二、复现精度与数据集介绍

论文中采用的数据集均为细粒度分类问题的典型代表，包括鸟、飞机、汽车、狗，每一类数据集下为各自大类下的不同小类图片，本项目复现了前三个数据集，并达到了原论文的精度，具体复现精度如下表所示，数据集可通过下方对应链接下载（运行本项目自带，无需单独下载）：

Dataset	Object	Category	Training	Testing	ACC(复现)	ACC(原论文)
CUB-200-2011	Bird	200	5994	5794	89.40	89.4
fgvc-aircraft	Aircraft	100	6667	3333	94.03	93.0
Stanford-Cars	Car	196	8144	8041	94.88	94.5
Stanford-Dogs	Dogs	120	12000	8580	（未要求）	92.2

数据集文件夹下的结构如下，解压后在/home/aistudio/work/data文件夹下：

Fine-grained
├── CUB_200_2011├── images├── images.txt├── image_class_labels.txt├── train_test_split.txt
├── Car├── cars_test├── cars_train├── cars_test_annos_withlabels.mat├── devkit├── cars_train_annos.mat
├── fgvc-aircraft-2013b├── data├── variants.txt├── images_variant_trainval.txt├── images_variant_test.txt

三、代码结构

为便于清晰展示代码运行流程以及结构，将主要代码都放在了JupyterNotebook中，详情可见第五部分，其余/home/aistudio/work下的代码结构如下所示

/home/aistudio/work
├── datasets   # 各种数据集定义读取文件夹├── __init__.py  # 读取数据集函数├── aircraft_dataset.py  # 飞机类数据集定义├── bird_dataset.py      # 鸟类数据集定义├── car_dataset.py       # 车类数据集定义
├── models  # 模型相关文件├── bap.py        # BAP模型├── inception.py  # Inceptionv3模型├── wsdan.py      # WS-DAN模型├── InceptionV3_pretrained.pdparams  # Inceptionv3模型权重
├── FGVC  # 模型参数保存与训练日志├── aircraft/ckpt  # 飞机类模型参数以及训练日志├── *.pdparams # 模型网络权重├── *.log      # 训练日志├── brid/ckpt   # 鸟类模型参数以及训练日志├── *.pdparams # 模型网络权重├── *.log      # 训练日志 ├── car/ckpt    # 车类模型参数以及训练日志├── *.pdparams # 模型网络权重├── *.log      # 训练日志
├── imgs         # Markdown 图片资源
├── config.py    # 超参数设置（您可修改）
├── train.py     # 模型训练
└── utils.py     # 工具链

四、环境依赖

• 硬件：

  • 4核cpu x86
  • NVIDIA Tesla V100 GPU * 1

• 框架：

  • PaddlePaddle 2.2.2 + Python3.7

• 其他依赖项：

  • numpy==1.19.2
  • tqdm==4.59.0
  • Pillow==8.3.1

五、快速开始

• 首先，您需要运行Firstly下的内容将数据集解压
• 本项目中包含已经训练好的模型，您可以直接运行模型测试部分进行测试（注意：想更换测试的数据集，更改下方Step0中的config.target_dataset变量即可）
• 若您想重新训练，您可运行Step1-Step4部分进行模型训练（注意：想更换训练的数据集，仅更改work/config.py文件下的target_dataset即可）

数据集解压： 请先运行本命令将挂载数据集解压到data文件夹

In [ ]

!cd data/ && unzip -oq /home/aistudio/data/data138113/Fine-grained.zip

模型测试：更改您想测试的数据集名称即可(注意：每次更改要重启notebook，否则日志会输出到同一个地方)

In [ ]

import sys
sys.path.append('/home/aistudio/work')
import os
import logging
import config
import paddle
from datasets import getDataset
from paddle.io import DataLoader
from models.wsdan import WSDAN
from utils import CenterLoss, AverageMeter, TopKAccuracyMetric, batch_augment# 修改您想要测试的数据集
config.target_dataset = 'bird'  # it can be 'car', 'bird', 'aircraft'# logging config
logging.basicConfig(filename=os.path.join('/home/aistudio/work/FGVC/' + config.target_dataset + '/ckpt/', 'test.log'),filemode='w',format='%(asctime)s: %(levelname)s: [%(filename)s:%(lineno)d]: %(message)s',level=logging.INFO)
logging.info('Current Testing Model: {}'.format(config.target_dataset))# read the dataset
train_dataset, val_dataset = getDataset(config.target_dataset, config.input_size)
train_loader, val_loader = DataLoader(train_dataset, batch_size=config.batch_size, shuffle=True, num_workers=config.workers), DataLoader(val_dataset, batch_size=config.batch_size, shuffle=False, num_workers=config.workers)# output the dataset info
logging.info('Dataset Name:{dataset_name}, Val:[{val_num}]'.format(dataset_name=config.target_dataset, train_num=len(train_dataset), val_num=len(val_dataset)))
logging.info('Batch Size:[{0}], Train Batches:[{1}], Val Batches:[{2}]'.format(config.batch_size, len(train_loader), len(val_loader)))# loss and metric
loss_container = AverageMeter(name='loss')
raw_metric = TopKAccuracyMetric(topk=(1, 5))
crop_metric = TopKAccuracyMetric(topk=(1, 5))
drop_metric = TopKAccuracyMetric(topk=(1, 5))
num_classes = train_dataset.num_classes# network
net = WSDAN(num_classes=num_classes, num_attentions=config.num_attentions, net_name=config.net_name, pretrained=False)
feature_center = paddle.zeros(shape=[num_classes, config.num_attentions * net.num_features])
if config.target_dataset == 'bird':net_state_dict = paddle.load("work/FGVC/bird/ckpt/bird_model.pdparams")
if config.target_dataset == 'aircraft':net_state_dict = paddle.load("work/FGVC/aircraft/ckpt/aircraft_model.pdparams")
if config.target_dataset == 'car':net_state_dict = paddle.load("work/FGVC/car/ckpt/car_model.pdparams")
net.set_state_dict(net_state_dict)
net.eval()# loss function
cross_entropy_loss = paddle.nn.CrossEntropyLoss()
center_loss = CenterLoss()logs = {}
for i, (X, y) in enumerate(val_loader):# Raw Imagey_pred_raw, _, attention_map = net(X)# Object Localization and Refinementcrop_images = batch_augment(X, attention_map, mode='crop', theta=0.1, padding_ratio=0.05)y_pred_crop, _, _ = net(crop_images)# Final predictiony_pred = (y_pred_raw + y_pred_crop) / 2.# lossbatch_loss = cross_entropy_loss(y_pred, y)epoch_loss = loss_container(batch_loss.item())# metrics: top-1,5 errorepoch_acc = raw_metric(y_pred, y)logs['val_{}'.format(loss_container.name)] = epoch_loss
logs['val_{}'.format(raw_metric.name)] = epoch_acc
batch_info = 'Val Loss {:.4f}, Val Acc ({:.2f}, {:.2f})'.format(epoch_loss, epoch_acc[0], epoch_acc[1])
logging.info(batch_info)
print(batch_info)

W0524 21:08:29.075071  6888 device_context.cc:447] Please NOTE: device: 0, GPU Compute Capability: 7.0, Driver API Version: 10.1, Runtime API Version: 10.1
W0524 21:08:29.079933  6888 device_context.cc:465] device: 0, cuDNN Version: 7.6.
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/paddle/tensor/creation.py:130: DeprecationWarning: `np.object` is a deprecated alias for the builtin `object`. To silence this warning, use `object` by itself. Doing this will not modify any behavior and is safe.
Deprecated in NumPy 1.20; for more details and guidance: https://numpy.org/devdocs/release/1.20.0-notes.html#deprecationsif data.dtype == np.object:
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/paddle/tensor/creation.py:130: DeprecationWarning: `np.object` is a deprecated alias for the builtin `object`. To silence this warning, use `object` by itself. Doing this will not modify any behavior and is safe.
Deprecated in NumPy 1.20; for more details and guidance: https://numpy.org/devdocs/release/1.20.0-notes.html#deprecationsif data.dtype == np.object:
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/paddle/tensor/creation.py:130: DeprecationWarning: `np.object` is a deprecated alias for the builtin `object`. To silence this warning, use `object` by itself. Doing this will not modify any behavior and is safe.
Deprecated in NumPy 1.20; for more details and guidance: https://numpy.org/devdocs/release/1.20.0-notes.html#deprecationsif data.dtype == np.object:
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/paddle/tensor/creation.py:130: DeprecationWarning: `np.object` is a deprecated alias for the builtin `object`. To silence this warning, use `object` by itself. Doing this will not modify any behavior and is safe.
Deprecated in NumPy 1.20; for more details and guidance: https://numpy.org/devdocs/release/1.20.0-notes.html#deprecationsif data.dtype == np.object:

Val Loss 0.4921, Val Acc (88.83, 97.57)

模型训练Step1： 导入需要的包以及日志相关设置

In [ ]

import sys
sys.path.append('/home/aistudio/work')
import os
import time
import logging
from tqdm import tqdm
import config
import paddle
from datasets import getDataset
from paddle.io import DataLoader
from models.wsdan import WSDAN
from utils import CenterLoss, AverageMeter, TopKAccuracyMetric, batch_augment
import paddle.nn.functional as F
import datetime# 若日志保存路径不存在，则新建该文件夹
if not os.path.exists(config.save_dir):os.makedirs(config.save_dir)# 日志格式以及名称配置
current = datetime.datetime.now()
log_name = str(config.target_dataset) + '-0' + str(current.month) + '-' + str(current.day) + '-' + str(current.hour) + '_' + str(current.minute) +  ".log"
logging.basicConfig(filename=os.path.join(config.save_dir, log_name), filemode='w', format='%(asctime)s: %(levelname)s: [%(filename)s:%(lineno)d]: %(message)s', level=logging.INFO)# 当前训练模型信息
logging.info('Current Trainning Model: {}'.format(config.target_dataset))

模型训练Step2： 数据集读取

In [ ]

# 数据集读取
train_dataset, val_dataset = getDataset(config.target_dataset, config.input_size)
train_loader, val_loader = DataLoader(train_dataset, batch_size=config.batch_size, shuffle=True, num_workers=config.workers), DataLoader(val_dataset, batch_size=config.batch_size * 4, shuffle=False, num_workers=config.workers)
num_classes = train_dataset.num_classes# 打印当前数据集信息到日志
logging.info('Dataset Name:{dataset_name}, Train:[{train_num}], Val:[{val_num}]'.format(dataset_name=config.target_dataset, train_num=len(train_dataset), val_num=len(val_dataset)))
logging.info('Batch Size:[{0}], Train Batches:[{1}], Val Batches:[{2}]'.format(config.batch_size, len(train_loader), len(val_loader)))

模型训练Step3： 模型与损失函数定义

In [ ]

# loss and metric
loss_container = AverageMeter(name='loss')
raw_metric = TopKAccuracyMetric(topk=(1, 5))
crop_metric = TopKAccuracyMetric(topk=(1, 5))
drop_metric = TopKAccuracyMetric(topk=(1, 5))logs = {}if config.ckpt:pretrained = False
else:pretrained = True
net = WSDAN(num_classes=num_classes, num_attentions=config.num_attentions, net_name=config.net_name, pretrained=pretrained)
feature_center = paddle.zeros(shape=[num_classes, config.num_attentions * net.num_features])# 优化器定义
scheduler = paddle.optimizer.lr.StepDecay(learning_rate=config.learning_rate, step_size=2, gamma=0.9)
optimizer = paddle.optimizer.Momentum(learning_rate=scheduler, momentum=0.9, weight_decay=1e-5, parameters=net.parameters())# 加载训练好的模型以及优化器参数
if config.ckpt:net_state_dict = paddle.load(config.save_dir + config.target_dataset + "_model.pdparams")optim_state_dict = paddle.load(config.save_dir + config.target_dataset + "_model.pdopt")net.set_state_dict(net_state_dict)optimizer.set_state_dict(optim_state_dict)# 损失函数
cross_entropy_loss = paddle.nn.CrossEntropyLoss()
center_loss = CenterLoss()

W0524 21:14:33.915575  7480 device_context.cc:447] Please NOTE: device: 0, GPU Compute Capability: 7.0, Driver API Version: 10.1, Runtime API Version: 10.1
W0524 21:14:33.920658  7480 device_context.cc:465] device: 0, cuDNN Version: 7.6.

模型训练Step4： 开始训练

In [ ]

if config.ckpt:start_epoch = config.model_num
else:start_epoch = 0max_val_acc = 0  # 最好的精度# 训练config.epochs次
for epoch in range(start_epoch, start_epoch + config.epochs):logs['epoch'] = epoch + 1logs['lr'] = optimizer.get_lr()logging.info('Epoch {:03d}, lr= {:g}'.format(epoch + 1, optimizer.get_lr()))print("Start epoch %d ==========,lr=%f" % (epoch + 1, optimizer.get_lr()))pbar = tqdm(total=len(train_loader), unit=' batches')pbar.set_description('Epoch {}/{}'.format(epoch + 1, config.epochs))# 指标初始化loss_container.reset()raw_metric.reset()crop_metric.reset()drop_metric.reset()# 开始训练start_time = time.time()net.train()scheduler.step()for i, (X, y) in enumerate(train_loader):optimizer.clear_grad()y_pred_raw, feature_matrix, attention_map = net(X)# Update Feature Centerfeature_center_batch = F.normalize(feature_center[y], axis=-1)feature_center[y] += config.beta * (feature_matrix.detach() - feature_center_batch)# Attention Croppingwith paddle.no_grad():crop_images = batch_augment(X, attention_map[:, :1, :, :], mode='crop', theta=(0.4, 0.6), padding_ratio=0.1)# crop images forwardy_pred_crop, _, _ = net(crop_images)# Attention Droppingwith paddle.no_grad():drop_images = batch_augment(X, attention_map[:, 1:, :, :], mode='drop', theta=(0.2, 0.5))# drop images forwardy_pred_drop, _, _ = net(drop_images)# lossbatch_loss = cross_entropy_loss(y_pred_raw, y) / 3. + \cross_entropy_loss(y_pred_crop, y) / 3. + \cross_entropy_loss(y_pred_drop, y) / 3. + \center_loss(feature_matrix, feature_center_batch)# backwardbatch_loss.backward()optimizer.step()with paddle.no_grad():epoch_loss = loss_container(batch_loss.item())epoch_raw_acc = raw_metric(y_pred_raw, y)epoch_crop_acc = crop_metric(y_pred_crop, y)epoch_drop_acc = drop_metric(y_pred_drop, y)batch_info = 'Loss {:.4f}, Raw Acc ({:.2f}, {:.2f}), Crop Acc ({:.2f}, {:.2f}), Drop Acc ({:.2f}, {:.2f})'.format(epoch_loss, epoch_raw_acc[0], epoch_raw_acc[1],epoch_crop_acc[0], epoch_crop_acc[1], epoch_drop_acc[0], epoch_drop_acc[1])pbar.update()pbar.set_postfix_str(batch_info)# end of this epochlogs['train_{}'.format(loss_container.name)] = epoch_losslogs['train_raw_{}'.format(raw_metric.name)] = epoch_raw_acclogs['train_crop_{}'.format(crop_metric.name)] = epoch_crop_acclogs['train_drop_{}'.format(drop_metric.name)] = epoch_drop_acclogs['train_info'] = batch_infoend_time = time.time()# write log for this epochlogging.info('Train: {}, Time {:3.2f}'.format(batch_info, end_time - start_time))# 开始验证，每训练完一轮验证一次精度net.eval()loss_container.reset()raw_metric.reset()start_time = time.time()net.eval()with paddle.no_grad():for i, (X, y) in enumerate(val_loader):# Raw Imagey_pred_raw, _, attention_map = net(X)# Object Localization and Refinementcrop_images = batch_augment(X, attention_map, mode='crop', theta=0.1, padding_ratio=0.05)y_pred_crop, _, _ = net(crop_images)# Final predictiony_pred = (y_pred_raw + y_pred_crop) / 2.# lossbatch_loss = cross_entropy_loss(y_pred, y)epoch_loss = loss_container(batch_loss.item())# metrics: top-1,5 errorepoch_acc = raw_metric(y_pred, y)logs['val_{}'.format(loss_container.name)] = epoch_losslogs['val_{}'.format(raw_metric.name)] = epoch_accend_time = time.time()batch_info = 'Val Loss {:.4f}, Val Acc ({:.2f}, {:.2f})'.format(epoch_loss, epoch_acc[0], epoch_acc[1])pbar.set_postfix_str('{}, {}'.format(logs['train_info'], batch_info))# write log for this epochlogging.info('Valid: {}, Time {:3.2f}'.format(batch_info, end_time - start_time))logging.info('')net.train()pbar.close()# 模型保存，保存精度最高的模型if(epoch_acc[0] > max_val_acc):max_val_acc = epoch_acc[0]paddle.save(net.state_dict(), config.save_dir + config.target_dataset + "_model.pdparams")paddle.save(optimizer.state_dict(), config.save_dir + config.target_dataset + "_model.pdopt")

六、技术路线

以下几点是我在论文复现过程中的一些步骤(仅供参考)

• 读懂原论文（粗读，不必深究细节）
• 阅读原论文作者提供的代码结构
• 精读论文，清楚每个模块的机制
• 开始框架转写，最好按部就班进行，每一步进行完进行一个对其的验证，总体分为如下四个步骤：

• 若精度不达标？模型结构、参数初始化、超参数、数据预处理复盘，必要时再看一下论文细节。

七、对比试验

本文的最大精髓之处就在于数据增强，可以看到在鸟类数据集上，采用InceptionV3的baseline，没有数据增强时，准确率为86.4%，在加入随机裁剪、丢弃后略有提高，仅有0.2-0.3%的提升，而加入基于注意力机制的随即裁剪、丢弃，准确率能够提高1%以上，若将注意力裁剪与注意力丢弃进行融合使用，准确率更是达到了88.4%，较baseline提升2%，可见每一个模块都有显著的成效。

Data Augmentation	Accuracy(%)
Baseline	86.4
Random Cropping	86.8
Attention Cropping	87.8
Random Dropping	86.7
Attention Dropping	87.4
Attention Cropping + Attention Dropping	88.4

八、复现心得

本次论文复现赛完成了一篇细粒度分类问题的论文复现，该文章原理较为容易理解，其中的弱监督思想也极为巧妙，具有启发性，在复现的过程中，主要工作为原代码Pytorch框架到PaddlePaddle框架的转换，在复现过程中我们可以对照着Pytorch的API文档与PaddlePaddle的API文档进行差异对比，也可以查阅飞桨官方提供的Pytorch1.8与Paddle2.0版本API映射表以便进行快速查阅。

此外，由于论文复现赛中需要模型动转静，而某些API不支持静态图，因此我们需要利用其他API进行替换，如paddle.einsumAPI不支持静态图，则可以用paddle.matmul,paddle.transposeAPI进行替换改写。

最后，对于本论文的数据增强思想，对于一些分类问题非常适用，具有一定启发意义。

九、模型信息

在上述训练完成后，模型和相关日志保存在work/FGVC/对应数据集类别名称/ckpt文件夹下，可以进行查看

信息	说明
发布者	Victory8858
时间	2022.05
框架版本	Paddle 2.2.2
应用场景	细粒度分类问题
支持硬件	GPU、CPU
Aistudio地址	论文复现：WS-DAN细粒度分类问题经典之作 - 飞桨AI Studio

论文复现：WS-DAN细粒度分类问题经典之作相关推荐

1. 达摩院细粒度分类SoftTriple Loss ICCV高引论文深入解读

   一.论文&代码 论文链接:SoftTriple Loss: Deep Metric Learning Without Triplet Sampling 引用情况: 开源代码:GitHub - ...

2. 带你读AI论文丨用于细粒度分类的Transformer结构—TransFG

   摘要:本文解读了<TransFG: A Transformer Architecture for Fine-grained Recognition>,该论文针对细粒度分类任务,提出了对应的 ...

3. 【PaddlePaddle】【论文复现】U-GAT-IT

   [PaddlePaddle][论文复现]Unsupervised Generative Attentional Networks with Adaptive Layer-Instance Normal ...

4. 腾讯提结合ACNet进行细粒度分类，效果达到最新SOTA | CVPR 2020

   作者 | VincentLee 来源 | 晓飞的算法工程笔记 细粒度分类(Fine-Grained Visual Categorization, FGVC)是图片分类的一个分支,由于类别间的相似性非常 ...

5. 反向R？削弱显著特征为细粒度分类带来提升 | AAAI 2020

   作者 | VincentLee 来源 | 晓飞的算法工程笔记 导读:论文提出了类似于dropout作用的diversification block,通过抑制特征图的高响应区域来反向提高模型的特征提取能 ...

6. 公开处刑：PapersWithCode上线“论文复现报告”，遏制耍流氓行为！

   点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 成功复现一篇论文到底有多难? 大概就像这样吧: 可太TM难了--相信这是大多数机器学习研究者都吐槽过的 ...

7. 经典论文复现 | LSGAN：最小二乘生成对抗网络

   来源:PaperWeekly 本文约2500字,建议阅读10分钟. 本文介绍了经典AI论文--LSGAN,它比常规GAN更稳定,比WGAN收敛更迅速. 笔者这次选择复现的是 Least Squares ...

8. 经典论文复现 | 基于标注策略的实体和关系联合抽取

   过去几年发表于各大 AI 顶会论文提出的 400 多种算法中,公开算法代码的仅占 6%,其中三分之一的论文作者分享了测试数据,约 54% 的分享包含"伪代码".这是今年 AAAI ...

9. 经典论文复现 | ICML 2017大热论文：Wasserstein GAN

   过去几年发表于各大 AI 顶会论文提出的 400 多种算法中,公开算法代码的仅占 6%,其中三分之一的论文作者分享了测试数据,约 54% 的分享包含"伪代码".这是今年 AAAI ...

最新文章

1. Linux下的下载工具 axel
2. 【TypeScript】通过node-cmd使用代码，执行cmd命令行
3. Django(part53)--404模板文件
4. mysql rpm 安装6_linux6.5 RPM方式安装 mysql5.6
5. 阶段1 语言基础+高级_1-3-Java语言高级_02-继承与多态_第3节 接口_11_接口的常量定义和使用...
6. SCU 4444: Travel(最短路)
7. ***_ha_高可用_链路备份
8. 要么放权，要么输得起 | 卫哲谈战略
9. j2me模拟器自动退出的原因
10. android去除gps漂移代码,GPS漂移过滤算法
11. php编写的旅游网站
12. MATLAB中内置的BP神经网络函数 help newff翻译【学习笔记】
13. 《计算机网络自顶向下方法》Wireshark lab（一）
14. Python模拟财富分配实验
15. 用标签条码打印软件打印发货单标签
16. 独立构件风格之C2风格
17. agv机器人无人仓系统-仓库管理模块设计
18. 2022-7-8 Leetcode 59.螺旋矩阵 II
19. 1、Ubuntu下安装软件报错
20. 聊一聊程序员行业关于未来的那些事

热门文章

1. Glide Picasso Fresco UIL 图片框架 MD
2. MAC EFI启动设置
3. 小区物业管理系统源码niceym_智慧小区智慧物业管理系统一体化解决方案
4. Android_Activity_Activity详解
5. Activity是啥子
6. Python使用镜像下载安装包
7. 服务器系统事件1014,事件ID1014
8. html 单击readmore 无效,如何在html中创建只需要锚点的see-more/Read-more功能？
9. Arcgis怎么将标注变成分子分母形式
10. linux下的 fopen等